基于bp神經(jīng)網(wǎng)絡的印楝提取物微膠囊防腐劑的研究

基于bp神經(jīng)網(wǎng)絡的印楝提取物微膠囊防腐劑的研究

0微囊物表面活性劑的制備木材是人類生產(chǎn)和生活中常用的材料，但木材容易受到腐敗和細菌的污染。微膠囊技術以高分子聚合物成膜材為基質(zhì),將一些分散成細小的具有反應活性、敏感或易揮發(fā)的小液滴、固體小顆?；驓怏w包覆使之形成一層薄膜包裹的微小囊狀物BP神經(jīng)網(wǎng)絡是應用最為廣泛的神經(jīng)網(wǎng)絡模型之一,具備處理線性不可分問題的能力1材料和方法1.1“三自”結構的應用邸向輝1.2印預防防腐風險的bp神經(jīng)網(wǎng)絡模型BP神經(jīng)網(wǎng)絡是前饋神經(jīng)網(wǎng)絡的核心部分,廣泛應用于分類識別、逼近、回歸和壓縮等領域。網(wǎng)絡由多層構成,層與層之間全連接,同一層的神經(jīng)元之間無連接。多層的網(wǎng)絡設計使網(wǎng)絡能從輸入中挖掘更多的信息,實現(xiàn)從輸入到輸出的映射功能,從而完成更復雜的任務,故很適合本研究的預測模型建立。本研究基于MatlabR2015b平臺構建單隱層的BP神經(jīng)網(wǎng)絡,利用該模型預測印楝提取物防腐劑對木材防腐性能的影響。輸入因子為數(shù)據(jù)來源部分中所述的7個影響因子,輸出因子為木材的載藥量,隱含層設置的節(jié)點數(shù)(。(1)式中:由于隱含層節(jié)點數(shù)是由公式(1)決定的,根據(jù)公式和輸入層、輸出層節(jié)點數(shù)來確定隱含層節(jié)點數(shù)的取值區(qū)間為[3,13]。本研究以印楝微膠囊溶液的實驗數(shù)據(jù)為例,為了確定最優(yōu)的隱含層節(jié)點數(shù),分別應用LM(Levenberg-Marquardt)算法和貝葉斯正則化(BR)算法進行比較,數(shù)據(jù)結果見表1和表2。根據(jù)表1、表2中的數(shù)據(jù)對比,在LM算法中顯示,隨著隱含層節(jié)點數(shù)的增加,模型的RMSE值不斷減小,決定系數(shù)1.3神經(jīng)網(wǎng)絡的歸一化處理輸入因子包括:浸注前木材干質(zhì)量、浸注后木材濕質(zhì)量、浸注后木材干質(zhì)量、老化處理后木材干質(zhì)量、防腐處理時長、腐朽后質(zhì)量和質(zhì)量損失率。由于輸入因子的實驗數(shù)據(jù)具有不同的量級,所以在輸入神經(jīng)網(wǎng)絡之前首先進行歸一化處理,可以有效地減少收斂次數(shù),并且提高擬合精度。(2)式中:反歸一化則需要將預測得到數(shù)據(jù)從區(qū)間[-1,1]還原到實際的預測值1.4隱含層函數(shù)的選擇一般隱含層會使用Sigmoid函數(shù),而輸出層會使用線性函數(shù)。隱含層函數(shù)選擇tansig函數(shù)公式:。(3)參數(shù)設置為:學習速率0.01,最大迭代次數(shù)為1000,目標精度為0.001,最大驗證失敗次數(shù)為10。1.5材料42模型的評價采用決定系數(shù)(4)。(5)式中:是決定系數(shù),為擬合精度的指標,一般2結果與分析2.1bp神經(jīng)網(wǎng)絡的建立建立輸入變量為浸注前木材干質(zhì)量、浸注后木材濕質(zhì)量、浸注后木材干質(zhì)量、老化處理后干質(zhì)量、時間長度、腐朽后質(zhì)量和質(zhì)量損失率,輸出變量為載藥量,隱含層節(jié)點數(shù)為8的BP神經(jīng)網(wǎng)絡。依次以5種優(yōu)化算法LM算法、BR算法、CGB共軛梯度反向傳播算法、BFG擬牛頓反向傳播算法和SCG反向傳播算法分別應用于數(shù)據(jù)中進行建模和篩選,選擇該網(wǎng)絡的最佳算法。分別運行20次,以由表3可以看出,這幾種優(yōu)化算法中BFG、CGB、SCG網(wǎng)絡模型的迭代次數(shù)明顯大于LM算法和BR算法,而且2.2微膠囊載藥量真實值與預測值對照和網(wǎng)絡性能利用耐腐實驗的60組數(shù)據(jù)做模型預測,取前50組為訓練集,后10組為測試集,輸入因子為浸注前木材干質(zhì)量、浸注后木材濕質(zhì)量、浸注后木材干質(zhì)量、老化處理后干質(zhì)量、腐朽時長、腐朽后質(zhì)量和質(zhì)量損失率。印楝提取物微膠囊載藥量真實值與預測值對照和網(wǎng)絡性能如圖2所示。在MATLAB軟件中,數(shù)據(jù)輸入后會自動分成三份,一份用于訓練(Training),一份用于驗證(Validation)、一份用于測試(Test),如圖3所示。從圖3可以看出回歸結果越好,則參數(shù)2.3不同耐腐等級的木材防腐網(wǎng)絡對載藥量的預測由以上分析得到的結論可以確定,該模型結構輸入層、隱含層、輸出層為7∶8∶1,選擇LM算法為BP神經(jīng)網(wǎng)絡的訓練算法。利用該網(wǎng)絡分別對印楝提取物溶液、印楝提取物微膠囊處理材在不同耐腐等級情況下,應注入防腐劑的劑量大小(載藥量)進行預測。由表4和表5可以看出,該BP網(wǎng)絡的預測值與真實值非常接近,且誤差很小,故該模型對這兩種木材防腐劑處理材載藥量的預測有效且比較準確。邸向輝從表6和表7可以看出,以微膠囊為載體的印楝提取物防腐劑對4cm2.4不同處理材對木材細胞內(nèi)部防腐效果的影響對兩種防腐劑各項實驗數(shù)據(jù)得出浸注前干質(zhì)量、浸注后濕質(zhì)量、浸注后干質(zhì)量和老化處理后干質(zhì)量和腐朽后質(zhì)量的平均值,見表8。由表8可見,兩種不同防腐劑用滿細胞法浸注后,同樹種同體積處理材質(zhì)量基本一致(浸注后濕質(zhì)量)。在烘干至恒重后,得到處理材浸注后干質(zhì)量,即處理材與留存到木材細胞內(nèi)部防腐劑的質(zhì)量和。印楝提取物微膠囊防腐劑處理材平均載藥量可以達到170kg/m由于印楝提取物存在著對環(huán)境適應力差的不穩(wěn)定特性,故對處理材進行了紫外、噴淋和凝露等處理,處理后微膠囊試件損失質(zhì)量為20.250kg/m3膜法水處理目的函數(shù)在大青楊木材中的最優(yōu)訓練算法確定本研究首次將BP神經(jīng)網(wǎng)絡預測模型引入到預測植物源木材防腐劑性能領域中,本文以印楝提取物溶液、印楝提取物微膠囊處理材為例,構建了防腐性能預測BP神經(jīng)網(wǎng)絡,并驗證了BP神經(jīng)網(wǎng)絡在木材防腐性能預測上的可行性。通過對5種優(yōu)化算法的挑選,確定了(LM)算法為防腐性能BP網(wǎng)絡模型的最優(yōu)訓練算法。本研究對印楝提取物和以微囊為載體的印楝提取物防腐劑處理后的大青楊木材樣品進行藥劑需求量預測。得到初步的結論,以微囊為載體的印楝提取物防腐劑處理的樣品達到強耐腐等級的藥劑需求范圍為140.091～170.807kg/m以微膠囊為載體的印楝提取物